AIが実際に機能する奇妙な新しい物理学実験を設計している

この物語 のオリジナル版はQuanta Magazineに掲載されました。

精密測定にはレーザー干渉計重力波観測装置（LIGO）が不可欠です。LIGOの2つの重力波検出器（ワシントン州ハンフォードとルイジアナ州リビングストンにそれぞれ設置）では、レーザービームが巨大なL字型の4キロメートルの腕に沿って往復します。重力波が通過すると、一方の腕の長さがもう一方の腕に対して、陽子の幅よりも小さい変化をします。こうしたわずかな差を測定することで、つまりアルファケンタウリ星までの距離を人間の髪の毛の太さまで感知するのと同等の感度で、新たな発見がもたらされるのです。

物理学者たちはあらゆる側面を絶対的な物理的限界まで押し上げる必要があったため、この装置の設計には数十年を要しました。建設は1994年に始まり、検出器の改良のための4年間の停止を含め20年以上を費やした後、LIGOは2015年に初めて重力波を検出しました。重力波は、遠く離れた2つのブラックホールの衝突によって生じた時空のさざ波でした。

カリフォルニア工科大学の物理学者、ラナ・アディカリ氏は、2000年代半ばに検出器最適化チームを率いていました。彼と少数の共同研究者は、LIGOの設計の一部を丹念に改良し、より高感度な装置の開発を阻むあらゆる限界を探りました。

しかし、2015年の検出後、アディカリ氏はLIGOの設計を改良し、例えばより広い周波数帯域の重力波を検知できるかどうかを検討したいと考えました。このような改良により、LIGOは様々なサイズのブラックホールの合体や、潜在的な驚きを観測できるようになるでしょう。「私たちが本当に発見したいのは、誰も想像したことのない、天体物理学的に驚くべき新しい現象です」とアディカリ氏は言います。「宇宙が何を作るのかについて、偏見を持つべきではありません。」

彼と彼のチームはAI、特に物理学者マリオ・クレンが量子光学の卓上実験の設計のために初めて開発したソフトウェアスイートに着目した。まず、彼らはAIに、任意の複雑な干渉計を構築するために組み合わせることができるあらゆる部品とデバイスを与えた。AIは制約なしに動作を開始し、レンズ、ミラー、レーザーなど数千もの要素からなる、数百キロメートルに及ぶ検出器を設計することができた。

当初、AIのデザインは突飛なものに見えた。「あの機械が出力したものは、人間には全く理解できませんでした」とアディカリ氏は語る。「あまりにも複雑で、まるでエイリアンかAIの作品のようでした。対称性も美しさも全く感じられず、人間が作るとは到底思えませんでした。まさに混乱状態でした」

研究者たちは、AIの出力を整理して解釈可能なアイデアを生み出す方法を編み出した。それでもなお、研究者たちはAIの設計に困惑した。「もし私の学生がこれを私に渡そうとしたら、『いやいや、そんなのは馬鹿げている』と言ったでしょう」とアディカリ氏は語った。しかし、その設計は明らかに効果的だった。

AIが何をしているのかを理解するのに数ヶ月を要した。そして、AIが目的を達成するために直感に反するトリックを使っていたことが判明した。メインの干渉計と検出器の間に長さ3キロメートルのリングを追加し、干渉計のアームから出射される前に光を循環させていたのだ。アディカリのチームは、AIがおそらくロシアの物理学者が数十年前に量子力学ノイズを低減するために特定した難解な理論原理を用いているのだろうと考えた。これらのアイデアを実験的に追求した者は誰もいなかった。「既存の解決策からここまで踏み込んだ思考には、かなりの労力が必要です」とアディカリは語った。「本当にAIが必要だったのです。」

もしAIの知見がLIGOの建設当時から得られていたなら、「LIGOの感度は最初から10～15%向上していただろう」と彼は述べた。陽子以下の精度が求められる世界において、10～15%という数字は莫大なものだ。

「LIGOは、何千人もの人々が40年間、深く考え続けてきた巨大なプロジェクトです」と、トロント大学の量子光学の専門家、エフライム・スタインバーグ氏は述べた。「彼らは考え得る限りのことを思いつきました。そして、AIが生み出す新しい成果は、何千人もの人々が成し遂げられなかったことを実証するものです。」

AIは物理学においてまだ新たな発見には至っていませんが、分野全体で強力なツールになりつつあります。研究者の実験設計を支援するだけでなく、複雑なデータの中に重要なパターンを見つけることもできます。例えば、AIアルゴリズムはスイスの大型ハドロン衝突型加速器（LHC）で収集されたデータから、自然界の対称性を解明しました。これらの対称性は新しいものではなく、アインシュタインの相対性理論の鍵となるものでしたが、AIの発見は、今後の研究の原理実証となります。物理学者たちはAIを用いて、宇宙の未観測の暗黒物質の凝集を記述する新たな方程式も発見しました。「人間はこれらの解決策から学び始めることができるのです」とアディカリ氏は述べています。

離れていても一緒に

私たちの日常世界を記述する古典物理学では、物体は、その特性を測定する試みとは無関係に明確に定義された特性を持っています。たとえば、ビリヤードのボールは、任意の瞬間に特定の位置と運動量を持っています。

量子の世界では、これは当てはまりません。量子物体は量子状態と呼ばれる数学的実体によって記述されます。量子状態を使って、例えば物体がある特定の場所を探したときに、その場所に存在する確率を計算するのが最善の策です。

さらに、2つ（あるいはそれ以上）の量子物体が単一の量子状態を共有することができます。例えば、光子で構成される光を例に挙げましょう。これらの光子は「もつれ」状態にあるペアで生成されます。つまり、2つの光子はたとえ離れ離れになっても、単一の量子状態を共有しているということです。2つの光子のうちの1つを測定すると、その結果は、もう1つの（今は離れている）光子の特性を瞬時に決定するようです。

物理学者たちは数十年にわたり、量子もつれは量子物体が最初から同じ場所から始まることを必要とすると考えていました。しかし1990年代初頭、後にもつれの研究でノーベル物理学賞を受賞したアントン・ツァイリンガーは、これが必ずしも真実ではないことを示しました。彼と彼の同僚は、無関係な2対のもつれた光子から始まる実験を提案しました。光子AとBは互いに、光子CとDも互いにもつれていました。研究者たちは、結晶、ビームスプリッター、検出器からなる巧妙な実験設計を考案し、光子BとC（2対のもつれた光子からそれぞれ1つずつ）に作用させました。一連の操作により、光子BとCは検出され破壊されますが、その結果、以前は相互作用していなかったパートナー粒子AとDがもつれ合うようになります。これは「もつれスワッピング」と呼ばれ、現在では量子技術の重要な構成要素となっています。

2021年、クレンのチームはPyTheus（プログラミング言語PythonのPy、ギリシャ神話のミノタウロスを倒した英雄テセウスのTheus）と名付けたソフトウェアを用いて新たな実験の設計を開始した。チームは光学実験をグラフと呼ばれる数学的構造を用いて表現した。グラフはエッジと呼ばれる線で結ばれたノードで構成される。ノードとエッジは、ビームスプリッター、光子の進路、あるいは2つの光子が相互作用したかどうかなど、実験の様々な側面を表していた。

クレンのチームはまず、非常に一般的なグラフを構築することから始めた。これは、ある程度の規模のあらゆる実験の空間をモデル化したグラフである。このグラフには、望ましい量子状態を表す出力特性が備わっていた。例えば、これまで相互作用したことのない2つの粒子が実験装置から出て行く様子が、今やエンタングルメント状態になっているといった具合だ。

そこで問題となったのは、グラフの他の部分をどのように修正すればこの状態を生み出せるかということでした。研究者たちはこれを解明するために、数学関数を定式化しました。この関数はグラフの状態を取り込み、グラフの出力と望ましい量子状態との差を計算します。そして、実験構成を表すグラフのパラメータを反復的に修正することで、この差をゼロにまで減らしました。

クレンの学生ソーレン・アルトが、このアプローチを使ってエンタングルメント交換を行う最良の方法を見つけようとしたとき、実験構成が認識できないことに気づきました。1993年のツァイリンガーの設計とは全く異なっていたのです。「彼がそれを見せてくれたとき、私たちは混乱しました」とクレンは言います。「これはきっと間違っているに違いないと思いました。」

この最適化アルゴリズムは、多光子干渉と呼ばれる別の研究分野から着想を得ており、これによりツァイリンガーのアルゴリズムよりも単純な構成を実現しました。その後、クレンのチームは最終設計について別途数学的解析を行いました。その結果、新しい実験設計によって、共有された過去を持たない粒子間に量子もつれが生じることが確認されました。

2024年12月、南京大学の馬暁松氏率いる中国チームがこれを確認しました。彼らは実際の実験装置を構築し、それは意図した通りに機能しました。

隠された公式を見つける

物理学者がAIを活用するのは実験設計だけではありません。彼らは実験結果の解析にもAIを活用しています。

「今は、子供に話し方を教えるようなものです」と、ウィスコンシン大学マディソン校の物理学者カイル・クランマー氏は、AIを物理学に活用しようとする初期の取り組みについて語った。「私たちはまるでベビーシッターをしているようなものです」。それでもなお、実世界とシミュレーションデータで訓練された機械学習モデルは、そうでなければ見逃されていたかもしれないパターンを発見しつつある。

例えば、クランマー氏と共同研究者たちは、機械学習モデルを用いて、宇宙における暗黒物質の塊の密度を、近隣にある他の暗黒物質塊の観測可能な特性に基づいて予測しました。このような計算は、銀河や銀河団の成長を理解するために不可欠です。このシステムは、人間が作り出した式よりもデータに適合する暗黒物質塊の密度を記述する式を導き出しました。クランマー氏は、「AIの式はデータを非常によく表現しています」と述べています。「しかし、どのようにしてそこに至ったのかという説明が欠けています。」

場合によっては、AI が人々がすでに知っている事柄を再発見できることを示すだけで、原理実証としては十分です。

カリフォルニア大学サンディエゴ校のコンピューター科学者、ローズ・ユー氏とその同僚は、データの対称性を見つける機械学習モデルを訓練してきた。対称性とは、データが変換によって不変であるか、予測どおりに単純に変化することを意味する。例えば、円は回転対称性を持ち、回転しても不変である。ユー氏と彼女のチームは、この手法を大型ハドロン衝突型加速器（LHC）で収集されたデータに適用し、アインシュタインの相対性理論に極めて重要な、いわゆるローレンツ対称性を特定した。これらは視点の変化であり、適用可能な物理法則は変化しない。例えば、衝突型加速器における粒子対の生成率は、時間帯によって変化しないはずである。もし生成率が変化すると、地球の自転に何らかの依存があり、ひいては時空に特定の方向が存在することを意味する。「私たちは、物理学を全く知らなくても、モデルがデータのみからローレンツ対称性を発見できることを示しました」とユー氏は述べた。

クランマー氏とユー氏は、こうした手法はパターン発見には優れているものの、それらのパターンを理解し、仮説やそれを説明する物理学的根拠を見出すことは、今日のAIモデルにとって依然として困難だと指摘する。しかしクランマー氏は、ChatGPTのような大規模言語モデルの登場が状況を変える可能性があると考えている。「言語モデルは、仮説構築の自動化に役立つ大きな可能性を秘めていると思います」と彼は述べた。「もうすぐ実現するでしょう。」

スタインバーグ氏も、AIはまだ新しい概念を発明していないものの、AIの支援による新たな物理学の発見が現実になる可能性はあると同意する。「私たちはまさにその境界を超えつつあるのかもしれない。それはとてもエキサイティングなことだ」と彼は語った。

オリジナルストーリーは、数学、物理科学、生命科学の研究の進展や動向を取り上げることで科学に対する一般の理解を深めることを使命とする、 シモンズ財団の編集上独立した出版物であるQuanta Magazineから許可を得て転載されました。